Tugas Akhir - Klasifikasi Kesegaran Daging Sapi

Beef Inspection & Meat Analysis — klasifikasi kesegaran daging sapi berbasis Computer Vision menggunakan Fusi Fitur SURF-BoVW & Momen Warna HSV dengan Support Vector Machine.

Penulis: Abrar Wahid
Institusi: Program Studi Informatika, Fakultas Teknik, Universitas Majalengka
Tahun: 2026

Tentang Proyek

Inspeksi visual kesegaran daging sapi secara manual di industri pangan sangat rentan terhadap subjektivitas dan kesulitan mendeteksi fase transisi pembusukan secara akurat. Berdasarkan Laporan Tahunan BPOM RI (2024), agen mikrobiologi mendominasi penyebab KLB Keracunan Pangan di Indonesia dengan total 98 kejadian.

Penelitian ini mengusulkan sistem klasifikasi otomatis berbasis Computer Vision yang mengintegrasikan dua sumber informasi visual secara komplementer:

Fitur	Algoritma	Dimensi	Keunggulan
Tekstur Lokal	SURF → Bag of Visual Words	100D	Tahan rotasi & skala
Warna Global	HSV Color Moments + Histogram 1D	57D	Tahan variasi iluminasi
Fusi Hibrida	Early Feature Fusion	157D	Komplementer & diskriminatif

Kelas Klasifikasi: 🟢 Segar · 🟡 Setengah Segar · 🔴 Busuk

Arsitektur Sistem

Citra Input (JPG/PNG)
        │
        ▼
┌─────────────────────────────┐
│    Pra-pemrosesan Citra      │
│  • Resize → 512×512 px      │      │
│  • Adaptive Background      │
│    Removal (HSV Saturation  │
│    + GrabCut + Morphology)  │
└──────────────┬──────────────┘
               │ ROI Daging
       ┌───────┴───────┐
       ▼               ▼
┌────────────┐  ┌──────────────────────┐
│  Ekstraksi │  │    Ekstraksi Tekstur  │
│   Warna    │  │                      │
│            │  │  SURF Keypoints      │
│ HSV Color  │  │  (Hessian Threshold  │
│  Moments   │  │   = 300)             │
│ (Mean/Std/ │  │        │             │
│  Skewness) │  │  MiniBatch K-Means   │
│ + Hist 1D  │  │  Clustering (K=100)  │
│ (16 bins   │  │        │             │
│  per kanal)│  │  Bag of Visual Words │
│            │  │  Histogram           │
│   57 Dim   │  │   100 Dim            │
└─────┬──────┘  └──────────┬───────────┘
      │                    │
      └─────────┬──────────┘
                ▼
     Konkatenasi → 157 Dimensi
                │
                ▼
┌───────────────────────────────────┐
│       Scikit-Learn Pipeline        │
│                                   │
│  [1] StandardScaler               │
│      (Z-score normalization)      │
│                                   │
│  [2] FeatureWeighter              │
│      (hsv_weight × 57 Dim HSV)    │
│      → mengatasi Curse of         │
│        Dimensionality             │
│                                   │
│  [3] SVM (Kernel RBF)             │
│      + class_weight='balanced'    │
│      + GridSearchCV (C, γ, w)     │
└───────────────┬───────────────────┘
                │
                ▼
     Prediksi Kelas Kesegaran
  🟢 Segar | 🟡 Setengah Segar | 🔴 Busuk

📊 Hasil Penelitian

Ablation Study — Perbandingan Skenario Klasifikasi

Skenario Pemodelan	Akurasi	Presisi (Macro)	Recall (Macro)	F1-Score (Macro)
Skenario 1 — Tekstur SURF saja	65.25%	0.66	0.65	0.65
Skenario 2 — Warna HSV saja	84.50%	0.85	0.85	0.84
Skenario 3 — Fusi Fitur (Diusulkan)	89.00%	0.89	0.89	0.89

Laporan Klasifikasi Model Fusi (Per Kelas)

Kelas	Precision	Recall	F1-Score	Jumlah Sampel
🟢 Segar	0.92	0.88	0.90	138
🟡 Setengah Segar	0.83	0.85	0.84	130
🔴 Busuk	0.92	0.95	0.93	132
Macro Average	0.89	0.89	0.89	400

Parameter Optimal (GridSearchCV)

Kernel SVM: Radial Basis Function (RBF)
hsv_weight (Feature Balancing): 3.0
Validasi: Stratified 5-Fold Cross Validation
Dataset: 400 citra (138 Segar · 130 Setengah Segar · 132 Busuk)

📁 Struktur Direktori

bsurf/
│
├── app.py                      # Aplikasi web Streamlit (Interface untuk uji prediksi)
├── base-experiment.ipynb       # Notebook pelatihan & evaluasi model
├── experiment-v2.ipynb         # Notebook pelatihan & evaluasi model versi 2 (update data leakage)
├── README.md                   # Dokumentasi proyek ini
├── requirements.txt            # Dependensi Python
│
├── models/                     # Model terlatih
│   ├── fusi_model.pkl          # Pipeline SVM + StandardScaler + FeatureWeighter
│   └── kmeans_vocab.pkl        # Visual Vocabulary MiniBatch K-Means (K=100)
│
├── output-img/                 # Visualisasi hasil training & evaluasi
│
└── dataset/                    # Dataset citra daging sapi (tidak disertakan)
    ├── Segar/                  # 138 citra daging segar
    ├── SetengahSegar/          # 130 citra daging setengah segar
    └── Busuk/                  # 132 citra daging busuk

Catatan: Folder dataset/ tidak disertakan dalam repositori. Unduh dataset secara terpisah (lihat bagian Dataset) dan letakkan di direktori root proyek.

⚙️ Persyaratan Sistem

Perangkat Keras (Rekomendasi)

Processor: Intel Core i5/i7 generasi ke-10 ke atas
RAM: Minimum 8 GB (16 GB+ direkomendasikan untuk training)
Storage: Minimum 2 GB ruang kosong

Perangkat Lunak

OS: Windows 10/11, Ubuntu 20.04+, atau macOS 12+
Python: 3.7.x (wajib — SURF hanya tersedia di OpenCV versi lama)

🚀 Instalasi

Pastikan Anda sudah menginstal Miniconda atau Anaconda di komputer Anda sebelum memulai langkah-langkah berikut.

1. Clone Repositori

git clone https://github.com/abrarwahidd/bsurf.git
cd bsurf

2. Buat Virtual Environment

# Membuat environment baru bernama "surf_env" dengan Python 3.7
conda create -n surf_env python=3.7 -y

# Mengaktifkan environment
conda activate surf_env

3. Install Dependencies

pip install -r requirements.txt

⚠️ PENTING — Versi OpenCV: Algoritma SURF dipatenkan dan hanya tersedia di opencv-contrib-python versi 3.4.2.16. Versi lebih baru (4.x) tidak menyertakan SURF. Pastikan menggunakan versi yang tepat.

Verifikasi instalasi SURF:

import cv2
surf = cv2.xfeatures2d.SURF_create(300)
print("SURF tersedia dan siap digunakan!")

4. Verifikasi Instalasi

python -c "import cv2; print(cv2.__version__)"
# Output yang diharapkan: 3.4.2

📦 Dataset

Dataset menggunakan citra daging sapi sekunder dari repositori publik:

Sumber	Nama Dataset	Publisher
Roboflow	meat freshness Computer Vision Model	University of Southeastern Philippines
Kaggle	Meat Freshness Image Dataset	Vinayak Shanawad

Struktur Dataset

dataset/
├── Segar/         → 138 citra (.jpg) — daging merah cerah, oxymyoglobin dominan
├── SetengahSegar/ → 130 citra (.jpg) — transisi oksidasi, warna mulai berubah
└── Busuk/         → 132 citra (.jpg) — metmyoglobin dominan, kecokelatan/kehitaman

Letakkan folder dataset/ di direktori root proyek (sejajar dengan app.py dan base-experiment.ipynb).

💻 Penggunaan

A. Melatih Model (Training)

Jalankan seluruh sel notebook secara berurutan:

jupyter notebook base-experiment.ipynb

Notebook akan melakukan:

Verifikasi ketersediaan SURF
Pembangunan Kamus Visual (MiniBatch K-Means, K=100)
Ekstraksi fitur HSV (57D) dan SURF-BoVW (100D) untuk seluruh dataset
Training Scikit-Learn Pipeline dengan GridSearchCV
Evaluasi Ablation Study (3 skenario)
Menyimpan model ke models/fusi_model.pkl dan models/kmeans_vocab.pkl

Proses training memerlukan waktu 15–45 menit tergantung spesifikasi hardware.

B. Menjalankan Aplikasi Web (Interface)

Setelah model tersedia di folder models/:

streamlit run app.py

Buka browser dan akses http://localhost:8501

Cara penggunaan antarmuka:

Unggah foto daging sapi (JPG, PNG, atau WEBP) melalui tombol upload
Klik 🔬 Analisis Kesegaran Daging
Sistem akan menampilkan:
- Prediksi kelas (Segar / Setengah Segar / Busuk)
- Persentase keyakinan model
- Jumlah titik SURF yang terdeteksi
- Grafik distribusi probabilitas kelas
- Histogram Visual Words (BoVW)
- Histogram fitur warna HSV per kanal
- Tabel Momen Warna (Mean, Std, Skewness)
- Visualisasi proses segmentasi GrabCut & deteksi keypoints

🔧 Pipeline Teknis

Pra-pemrosesan — Adaptive Background Removal

def remove_background(image):
    # 1. Analisis saturasi rata-rata piksel tepi (10px border)
    # 2. Jika avg_sat > 55 → gambar full daging, skip GrabCut
    # 3. Jika ada background → jalankan GrabCut (5 iterasi)
    # 4. Safety Net: jika ROI < 15% frame → kembalikan asli
    # 5. Morphological Closing (5×5 kernel) untuk menutup lubang

Ekstraksi Fitur Warna HSV (57 Dimensi)

Kanal H, S, V masing-masing:
  • Mean     → distribusi intensitas rata-rata
  • Std Dev  → dispersi / variansi warna
  • Skewness → kecondongan distribusi warna
= 3 kanal × 3 momen = 9 dimensi

Histogram 1D per kanal (16 bins, dinormalisasi):
= 3 kanal × 16 bins = 48 dimensi

Total: 9 + 48 = 57 dimensi

Ekstraksi Fitur Tekstur SURF-BoVW (100 Dimensi)

1. SURF Keypoint Detection (Hessian Threshold = 300)
   → Setiap keypoint: deskriptor 64 dimensi

2. MiniBatch K-Means Clustering (K=100)
   → Membangun kamus visual dari seluruh deskriptor latih

3. Bag of Visual Words Histogram
   → Frekuensi kemunculan setiap visual word
   → Output: 100 dimensi per citra

Scikit-Learn Pipeline

Pipeline([
    ('scaler', StandardScaler()),          # Z-score normalization
    ('weighter', FeatureWeighter(          # Feature Balancing
        hsv_weight=3.0,                    # Parameter optimal
        num_hsv_features=57
    )),
    ('svm', SVC(
        kernel='rbf',
        class_weight='balanced',
        probability=True
    ))
])

Hyperparameter Tuning (GridSearchCV)

param_grid = {
    'svm__C':          [0.1, 1, 10, 100],
    'svm__gamma':      ['scale', 'auto', 0.001, 0.01, 0.1],
    'svm__kernel':     ['linear', 'rbf'],
    'weighter__hsv_weight': np.arange(0.1, 3.1, 0.5)
}
# Evaluasi internal: Stratified 5-Fold Cross Validation

📈 Evaluasi Model

Confusion Matrix — Model Fusi

                 Prediksi
              Segar  ½Segar  Busuk
Aktual Segar  [ 121    16      1  ]   Precision: 0.92
       ½Segar [  10   110     10  ]   Precision: 0.83
       Busuk  [   0     7    125  ]   Precision: 0.92

Analisis Pengaruh hsv_weight

hsv_weight	Akurasi Validasi
0.1	59.2%
0.5	80.5%
1.0	84.7%
1.5	87.2%
2.0	86.5%
3.0	89.0% ✓ Optimal

Parameter hsv_weight = 3.0 mengamplifikasi 57 dimensi fitur warna untuk menyeimbangkan dominasi 100 dimensi fitur tekstur, mengatasi Curse of Dimensionality.

Catatan Ambiguitas Fase Transisi

Kelas "Setengah Segar" mencatat Recall terendah (0.85) karena:

Oksidasi mikrobiologi terjadi heterogen (tidak merata pada permukaan daging)
Sebagian sampel memiliki tepi jaringan yang sudah menghitam namun area tengah masih segar
Ini adalah ambiguitas fisik benda organik, bukan kelemahan arsitektur algoritma

📚 Referensi

Bay, H., Tuytelaars, T., and Gool, L.V. (2008). SURF: Speeded Up Robust Features.
Arsalane, A., Klilou, A., and El Barbri, N. (2024). Performance evaluation of machine learning algorithms for meat freshness assessment. International Journal of Electrical and Computer Engineering, 14(5).
Kapoor, S. and Narayanan, A. (2023). Leakage and the reproducibility crisis in machine-learning-based science. Patterns, 4(9).
Shehzad, K., Ali, U., and Munir, A. (2025). Computer Vision for Food Quality Assessment: Advances and Challenges. Global Journal of Machine Learning and Computing, 1(1).
Laporan Tahunan Badan Pengawas Obat dan Makanan (BPOM RI). (2024).

📄 Lisensi

Proyek ini dikembangkan sebagai bagian dari penelitian Tugas Akhir pada Program Studi Informatika, Fakultas Teknik, Universitas Majalengka. Penggunaan kode untuk keperluan akademis dan non-komersial diperbolehkan dengan mencantumkan atribusi yang sesuai.

Dikembangkan oleh Abrar Wahid · Universitas Majalengka · 2026

Name		Name	Last commit message	Last commit date
assets		assets
dataset		dataset
models		models
output-img		output-img
.gitignore		.gitignore
README.md		README.md
app.py		app.py
base-experiment.ipynb		base-experiment.ipynb
experiment-v2.ipynb		experiment-v2.ipynb
requirements.txt		requirements.txt

Latest commit

History

Folders and files

Repository files navigation